目标专利:4487用于无线通信的因客户端而异的神经网络参数生成的联合学习
专利公开号:CN116113955B
专利权人:高通股份有限公司
无效请求书提交日期:2027年
非显而易见性评估仅供参考,不构成法律建议。
| 编号 | 名称 |
|---|
一种由客户端执行的无线通信方法,所述客户端包括自编码器;和相关联的调节网络;所述方法包括;使用所述调节网络;至少部分地基于观察到的环境向量;来确定因客户端而异的编码器参数集;所述观察到的环境向量包括关于所述客户端的环境的信息;使用所述自编码器;且至少部分地基于所述因客户端而异的编码器参数集;和观察到的无线通信向量;来确定隐性向量;所述观察到的无线通信向量与无线通信任务相关联;以及传送所述观察到的环境向量;和所述隐性向量。
如权利要求1所述的方法,其中所述调节网络被配置成接收所述观察到的环境向量作为输入;并提供调节向量作为输出;其中所述调节向量包括;所述因客户端而异的编码器参数集;以及因客户端而异的解码器参数集。
如权利要求2所述的方法,其中所述调节网络包括;第一子网络;其被配置成确定所述因客户端而异的编码器参数集;以及第二子网络;其被配置成确定所述因客户端而异的解码器参数集。
如权利要求1所述的方法,其中所述自编码器包括;编码器;其被配置成接收所述观察到的无线通信向量作为输入;并提供所述隐性向量作为输出;以及解码器;其被配置成接收所述隐性向量作为输入;并提供所述观察到的无线通信向量作为输出。
如权利要求4所述的方法,其中所述编码器包括至少一个编码器层;其被配置成使用所述因客户端而异的编码器参数集;并且其中确定所述隐性向量包括;使用所述至少一个编码器层;来将所述观察到的无线通信向量映射到所述隐性向量。
如权利要求5所述的方法,其中将所述观察到的无线通信向量映射到所述隐性向量包括;使用编码器参数集;来将所述观察到的无线通信向量映射到所述隐性向量;其中所述编码器参数集包括;所述因客户端而异的编码器参数集;以及共享编码器参数集。
如权利要求6所述的方法,其中所述至少一个编码器层包括;第一层集合;其使用所述因客户端而异的编码器参数集的第一子集;第二层集合;其使用所述共享编码器参数集的第一子集;以及第三层集合;其使用所述因客户端而异的编码器参数集的第二子集;以及所述共享编码器参数集的第二子集。
如权利要求4所述的方法,其中所述解码器包括至少一个解码器层;其被配置成使用因客户端而异的解码器参数集;其中所述解码器被配置成;通过使用所述至少一个解码器层;将所述隐性向量映射到所述观察到的无线通信向量;来确定所述观察到的无线通信向量。
如权利要求8所述的方法,其中将所述隐性向量映射到所述观察到的无线通信向量包括;使用解码器参数集;来将所述隐性向量映射到所述观察到的无线通信向量;其中所述解码器参数集包括;所述因客户端而异的解码器参数集;以及共享解码器参数集。
如权利要求9所述的方法,其中所述至少一个解码器层包括;第一层集合;其使用所述因客户端而异的解码器参数集的第一子集;第二层集合;其使用所述共享解码器参数集的第一子集;以及第三层集合;其使用所述因客户端而异的解码器参数集的第二子集;以及所述共享解码器参数集的第二子集。
如权利要求1所述的方法,其中所述观察到的环境向量包括一个或多个特征分量;其中所述一个或多个特征分量指示;客户端供应商标识符;客户端天线配置;大规模信道特性;信道状态信息参考信号配置;通过成像设备获得的图像;所估计的传播信道的一部分;或其组合。
如权利要求11所述的方法,其中所述大规模信道特性指示;与信道相关联的延迟扩展;与信道相关联的功率延迟简档;与信道相关联的多普勒测量;与信道相关联的多普勒频谱;与信道相关联的信噪比;与信道相关联的信号与噪声加干扰比;参考信号收到功率;收到信号强度指示符;或其组合。
如权利要求1所述的方法,其中所述隐性向量与所述无线通信任务相关联。
如权利要求13所述的方法,其中所述无线通信任务包括;确定信道状态反馈CSF;确定与所述客户端相关联的定位信息;确定与无线通信相关联的调制;确定与无线通信相关联的波形;或其组合。
如权利要求14所述的方法,其中所述无线通信任务包括确定所述CSF;并且其中所述方法进一步包括;接收信道状态信息CSI参考信号CSI‑RS;至少部分地基于所述CSI‑RS来确定CSI;以及将所述CSI作为输入提供给所述自编码器。
如权利要求15所述的方法,其中所述隐性向量包括经压缩信道状态反馈。
如权利要求1所述的方法,其中传送所述观察到的环境向量和所述隐性向量包括;使用以下各项来传送所述观察到的环境向量和所述隐性向量;物理上行链路控制信道;物理上行链路共享信道;或其组合。
如权利要求1所述的方法,其中所述自编码器包括变分自编码器。
如权利要求1所述的方法,进一步包括;训练所述调节网络或所述自编码器中的至少一者;其中训练所述调节网络或所述自编码器中的所述至少一者包括;使用无监督学习规程。
如权利要求1所述的方法,进一步包括;使用联合学习规程;来协作地训练所述调节网络和所述自编码器。
如权利要求20所述的方法,其中协作地训练所述调节网络和所述自编码器包括;确定使与所述调节网络和所述自编码器相对应的变分下界函数最大化的共享神经网络参数集。
如权利要求21所述的方法,其中负变分下界函数对应于损失函数。
如权利要求20所述的方法,其中协作地训练所述调节网络和所述自编码器包括;联合地训练所述调节网络和所述自编码器。
如权利要求20所述的方法,其中协作地训练所述调节网络和所述自编码器包括;在训练所述调节网络与训练所述自编码器之间交替。
如权利要求24所述的方法,其中在训练所述调节网络与训练所述自编码器之间交替包括;根据第一训练频度来执行与所述调节网络相关联的第一多次训练迭代;以及根据第二训练频度来执行与所述自编码器相关联的第二多次训练迭代;所述第二训练频度不同于所述第一训练频度。
如权利要求1所述的方法,其中所述调节网络对应于在服务器处实现的服务器调节网络;并且其中所述调节网络是所述服务器调节网络的客户端实现的副本。
如权利要求1所述的方法,其中所述自编码器对应于在服务器处实现的服务器自编码器;并且其中所述自编码器是所述服务器自编码器的客户端实现的副本。